基于标记增强的离散跨模态哈希方法
作者:
作者单位:

作者简介:

王永欣(1992-),女,博士,副教授,主要研究领域为信息检索,机器学习,计算机视觉;田洁茹(1997-),女,硕士,主要研究领域为计算机视觉,机器学习,医学图像分析;陈振铎(1993-),男,博士,CCF专业会员,主要研究领域为机器学习,信息检索,图像/视频分析与检索;罗昕(1992-),男,博士,助理教授,CCF专业会员,主要研究领域为机器学习,多媒体检索,计算机视觉;许信顺(1975-),男,博士,教授,博士生导师,CCF高级会员,主要研究领域为机器学习,信息检索,数据挖掘,图像/视频分析与检索

通讯作者:

许信顺,E-mail:xuxinshun@sdu.edu.cn

中图分类号:

TP391

基金项目:

国家自然科学基金(62172256,61872428,61991411);山东省重点研发计划(2019JZZY010127);山东省自然科学基金(ZR2019ZD06,ZR2020QF036)


Label Enhancement Based Discrete Cross-modal Hashing Method
Author:
Affiliation:

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    跨模态哈希通过将不同模态的数据映射为同一空间中更紧凑的哈希码,可以大大提升跨模态检索的效率.然而现有跨模态哈希方法通常使用二元相似性矩阵,不能准确描述样本间的语义相似关系,并且存在平方复杂度问题.为了更好地挖掘数据间的语义相似关系,提出了一个基于标记增强的离散跨模态哈希方法.首先借助迁移学习的先验知识生成样本的标记分布,然后通过标记分布构建描述度更强的语义相似性矩阵,再通过一个高效的离散优化算法生成哈希码,避免了量化误差问题.最后,在两个基准数据集上的实验结果验证了所提方法在跨模态检索任务上的有效性.

    Abstract:

    Cross-modal hashing can greatly improve the efficiency of cross-modal retrieval by mapping data of different modalities into more compact hash codes. Nevertheless, existing cross-modal hashing methods usually use a binary similarity matrix, which cannot accurately describe the semantic similarity relationships between samples and suffer from the squared complexity problem. In order to better mine the semantic similarity relationships of data, this study presents a label enhancement based discrete cross-modal hashing method (LEDCH). It first leverages the prior knowledge of transfer learning to generate the label distribution of samples, then constructs a stronger similarity matrix through the label distribution, and generates the hash codes by an efficient discrete optimization algorithm with a small quantization error. Finally, experimental results on two benchmark datasets validate the effectiveness of the proposed method on cross-modal retrieval tasks.

    参考文献
    相似文献
    引证文献
引用本文

王永欣,田洁茹,陈振铎,罗昕,许信顺.基于标记增强的离散跨模态哈希方法.软件学报,2023,34(7):3438-3450

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2021-02-06
  • 最后修改日期:2021-05-27
  • 录用日期:
  • 在线发布日期: 2022-09-30
  • 出版日期:
您是第位访问者
版权所有:中国科学院软件研究所 京ICP备05046678号-3
地址:北京市海淀区中关村南四街4号,邮政编码:100190
电话:010-62562563 传真:010-62562533 Email:jos@iscas.ac.cn
技术支持:北京勤云科技发展有限公司

京公网安备 11040202500063号